算法

据外媒 Insider 报道，国外社交巨头 Facebook 的母公司 Meta 在展开新一轮的降本增效之际，使用了算法“随机”解雇了 60 名来自埃森哲的劳务派遣人员。

本文主要介绍机器学习（以下简写为ML）算法和架构在MLOps框架下的工程实践。

在本文中，我们介绍了学习Python的11个GitHub存储库。不管您的Python处于哪个水平，上面列举的项目都可以帮助你进一步提升技能。

在这些算法中，最常见的当属智能推荐算法了。我们在淘宝购物，在头条阅读新闻，在抖音刷短视频，背后其实都有智能推荐算法。基于人口统计的推荐是相对简单的一种推荐算法，它会根据用户的基本信息进行分类，然后将商品推荐给…

奥地利符号计算研究所(Research Institute for Symbolic Computation，简称RISC)的Christoph Koutschan博士在自己的页面上发布了一篇文章，提到他做了一个调查，参与者大多数是计算机科学家，他请这些科学家投票选出最重要的算法，以下是这次调查的结果，按照英文名称字母顺序排序。

这个答案看起来似乎无懈可击，但其实机器学习和数理统计之间的关系远没有这么简单。

本文为您总结一下常见的机器学习算法，以供您在工作和学习中参考。

在这篇文章中出现的每一个技巧里，『可解释性』都被解构为几个更基本的方面：模型复杂程度，特征尺度，理解，信任 —— 接下来我首先就来简单对这几点做个介绍。

最近我读到了一本名叫《人工智能的三次浪潮（Three Waves of AI）》的书，作者是 DARPA 信息创新办公室主管 John Launchbury，他从一个更长远和宽广的视角，将人工智能的历史与未来划分为了三个阶段。

无论是基于规则匹配的策略，还是基于复杂的安全分析模型，安全设备产生的告警都存在大量误报，这是一个相当普遍的问题。其中一个重要的原因是每个客户的应用场景和数据都多多少少有不同的差异，基于固定判断规则对有统计涨落的数据进行僵化的判断，很容易出现误判。 在没有持续人工干预和手动优化的情况下，策略和模型的误报率不会随着数据的积累而有所改进。也就是说安全分析人员通过对…

关机大厂数据技术团队管理的文章很少，从这篇文章可以一窥端倪，包括算法团队目标的设定、差异化竞争力的打造、如何做园丁、如何做连接、如何做招聘等等。

评价一个算法的好坏，我认为关键是看能不能解决问题。如果算法能很好地解决实际的问题，那么我认为就是好算法。 比如预测的算法，关键是看预测的准确率，即预测值与实际值之间的接近程度，而不是看算法本身的评分高低。

两个月三项成果，对标谷歌！独家对话小米，如何让模型搜索更公平。

选择学习率的简单方法是尝试一堆数字，然后使用看起来效果最好的那个，当训练不再能改善损失时，手动减少它。

黑人女性报错率比白人高20%，面部识别系统为何不能一视同仁？